Was ist der Unterschied zwischen univariater und bivariater Analyse?

Während die univariate Analyse ein einzelnes Merkmal beschreibt, etwa durch Mittelwert und Streuung, untersucht die bivariate Analyse den Zusammenhang zwischen genau zwei Variablen.

Welches Verfahren wähle ich für zwei nominale Variablen?

Bei zwei nominalen Variablen erstellst du eine Kreuztabelle und kannst mit dem Chi-Quadrat-Test prüfen, ob die Daten gegen die Annahme der Unabhängigkeit sprechen. Der Pearson-Korrelationskoeffizient eignet sich für diese Skalierung nicht.

Bedeutet ein Zusammenhang immer eine Ursache?

Nein. Ein statistischer Zusammenhang allein bedeutet lediglich, dass zwei Merkmale gemeinsam variieren. Er belegt keine Ursache-Wirkungs-Beziehung. Die Frage nach Ursache und Wirkung bleibt eine inhaltliche und methodische Frage.

Was sagt der Korrelationskoeffizient aus?

Beim Pearson-Korrelationskoeffizienten erfasst der Wert die Stärke und Richtung eines linearen Zusammenhangs und bewegt sich im Bereich von minus eins bis plus eins. Werte nahe null deuten auf keinen linearen Zusammenhang hin, während Werte an den Grenzen einen starken linearen Zusammenhang anzeigen.

Wie berechne ich eine Korrelation in SPSS?

Wähle im Menü Analysieren, Korrelation, Bivariat, füge die zu analysierenden numerischen Variablen hinzu und starte die Berechnung. SPSS liefert dir daraufhin den Koeffizienten sowie die zugehörige Signifikanz.

Bivariate Statistik: Zusammenhänge zweier Variablen prüfen

Bivariate Statistik in SPSS Schritt für Schritt anwenden

Lesezeit ca. 7 Min. · aktualisiert: 14. Juni 2026 · zurück zum Blog

Die bivariate Statistik analysiert die Beziehung zwischen zwei Variablen und geht damit über die reine Beschreibung einzelner Merkmale hinaus. Anstatt nur isolierte Werte zu betrachten, prüfst du, ob ein Merkmal mit einem anderen zusammenhängt, etwa ob die Zufriedenheit vom Einkommen abhängt. Dieser Ratgeber stellt die zentralen Methoden vor, von der Kreuztabelle über die Korrelation bis zum Chi-Quadrat-Test. Du lernst, wie du das passende Verfahren nach dem Skalenniveau auswählst, und siehst die Berechnung in SPSS anhand eines konkreten Beispiels.

Gegenstand der bivariaten Statistik

Die bivariate Statistik bildet die Brücke zwischen der univariaten und der multivariaten Analyse. Während sich die univariate Auswertung auf ein einzelnes Merkmal konzentriert und es beispielsweise durch Mittelwert und Streuung beschreibt, betrachtet die bivariate Statistik zwei Variablen gleichzeitig. Ihr Ziel ist es zu prüfen, ob und in welchem Ausmaß diese beiden Merkmale miteinander zusammenhängen.

Wichtig ist von Anfang an: Ein statistischer Zusammenhang ist keine Ursache. Auch wenn zwei Merkmale gemeinsam schwanken, folgt daraus nicht, dass das eine das andere bewirkt. Bevor du Zusammenhänge prüfst, solltest du deine Variablen einzeln mit der deskriptiven Statistik beschreiben, um Ausreißer und Verteilungsformen zu erkennen, die das spätere Ergebnis beeinflussen können.

Bivariate Statistik: Verfahrenswahl nach Skalenniveau — bivariate Statistik im Überblick.

Verfahrensauswahl nach Skalenniveau

Das Skalenniveau der beiden Variablen ist ein wichtiger Ausgangspunkt für die Verfahrenswahl. Auch Fragestellung, Zahl der Gruppen und Testvoraussetzungen sind zu berücksichtigen. Diese Zuordnung bietet eine erste Orientierung:

Zwei nominale Variablen: Kreuztabelle; zur Prüfung eines Zusammenhangs kann ein Chi-Quadrat-Test geeignet sein.
Zwei metrische Variablen: Korrelation nach Pearson und Streudiagramm, sofern ein linearer Zusammenhang untersucht werden soll.
Zwei ordinale Variablen: Rangkorrelation nach Spearman.
Eine metrische und eine nominale Variable: Mittelwertvergleich, bei zwei Gruppen etwa mit dem t-Test, bei mehr als zwei Gruppen beispielsweise mit einer Varianzanalyse.

Diese Auswahl triffst du bereits vor dem Start von SPSS. Ein unpassendes Verfahren kann Kennzahlen liefern, die sich für die Fragestellung nicht sinnvoll interpretieren lassen.

Kreuztabelle und Chi-Quadrat-Test

Für zwei kategoriale Merkmale ist die Kreuztabelle das geeignete Instrument. Sie stellt die gemeinsame Häufigkeitsverteilung dar, indem sie beispielsweise das Geschlecht in den Zeilen und den Studiengang in den Spalten anordnet. Auf diese Weise erhältst du einen schnellen Überblick über die Verteilung der Fälle.

Der Chi-Quadrat-Test prüft unter der Annahme der Unabhängigkeit, ob die beobachteten Häufigkeiten von den erwarteten Häufigkeiten abweichen. Ein p-Wert unter einem vorab festgelegten Signifikanzniveau spricht gegen die Annahme der Unabhängigkeit. Als verbreitete Faustregel gilt: Keine erwartete Häufigkeit sollte unter eins liegen und in höchstens einem Fünftel der Zellen sollte sie unter fünf liegen; andernfalls kann die Chi-Quadrat-Approximation ungeeignet sein.

Korrelation als Maß der Stärke

Bei zwei metrischen Variablen kann der Korrelationskoeffizient nach Pearson die Stärke und Richtung eines linearen Zusammenhangs beschreiben. Der Wert reicht von minus eins bis plus eins: Werte nahe plus eins signalisieren einen starken positiven, Werte nahe minus eins einen starken negativen Zusammenhang. Ein Wert um null bedeutet, dass kein linearer Zusammenhang vorliegt.

Bei ordinalen Daten oder wenn ein monotoner statt eines linearen Zusammenhangs betrachtet wird, kommt die Rangkorrelation nach Spearman in Betracht. Die detaillierte Berechnung und Interpretation erläutert der Leitfaden zur Korrelation in SPSS. Ergänze den Korrelationswert durch ein Streudiagramm, um Ausreißer und nichtlineare Muster sichtbar zu machen.

Bivariate Statistik in SPSS: Korrelation Schritt für Schritt

Bivariate Statistik in SPSS berechnen

In SPSS findest du die bivariate Statistik schnell über das Menü. Für eine Kreuztabelle mit Chi-Quadrat-Test wählst du Analysieren, Deskriptive Statistik, Kreuztabellen und aktivierst unter Statistik die Option Chi-Quadrat. Für eine Korrelation navigierst du zu Analysieren, Korrelation, Bivariat und ziehst die beiden Variablen in das entsprechende Feld.

SPSS gibt dir daraufhin die Kennzahl und die Signifikanz aus. Prüfe zunächst den p-Wert im Verhältnis zum vorab festgelegten Signifikanzniveau und bewerte anschließend die Stärke des Zusammenhangs anhand des Koeffizienten. Einen umfassenden Überblick über die passenden Verfahren liefert der SPSS-Statistik-Hub.

Ein Beispiel und die Interpretation

Ein konkretes Beispiel verdeutlicht das Vorgehen: Du analysierst, ob die wöchentliche Lernzeit mit der Klausurnote zusammenhängt. Da beide Variablen metrisch sind und ein linearer Zusammenhang untersucht werden soll, berechnest du eine Korrelation nach Pearson. Angenommen, SPSS liefert einen Wert von r gleich minus 0,42 bei p gleich 0,003.

In diesem hypothetischen Beispiel zeigt sich bei einem Signifikanzniveau von 0,05 ein negativer, statistisch signifikanter Zusammenhang: Mehr Lernzeit geht mit besseren, also niedrigeren Notenwerten einher. Im Ergebnisteil nennst du Koeffizient, Signifikanz und Stichprobengröße sowie eine begründete Einordnung der Stärke. Achte auf einheitliche Nachkommastellen und das im Deutschen übliche Dezimalkomma, um eine saubere Darstellung zu gewährleisten.

Vermeide es, die Ergebnisse zu überinterpretieren. Dass Lernzeit und Note korrelieren, beweist nicht, dass mehr Lernen direkt bessere Noten bewirkt, da Drittvariablen wie Vorwissen oder Motivation eine Rolle spielen können. Multivariable Verfahren können gemessene Drittvariablen statistisch berücksichtigen, ersetzen aber kein für Kausalaussagen geeignetes Forschungsdesign. Beschreibe den Zusammenhang im Ergebnisteil daher zurückhaltend und unterscheide klar zwischen der reinen Datenbeschreibung und der inhaltlichen Deutung.

Ein häufiges Vorgehen bei einer bivariaten Analyse ist, das Skalenniveau zweier Variablen zu bestimmen, ein passendes Verfahren zu wählen und den Zusammenhang in SPSS zu prüfen.

Weitere Informationen zur Statistik findest du hier: deskriptive Statistik, Korrelation in SPSS und Statistik und SPSS.